/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
30 июн 2022

sepformer-wham16k-enhancement

Обработка аудиоАудио → аудио3 профессии

SepFormer от SpeechBrain очищает зашумлённую речь, обучен на WHAM! и предназначен для аудио с частотой дискретизации 16 кГц.

955скачиваний за 30 дней31лайквеса обновлены25 фев 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SepFormer — модель шумоподавления речи, разработанная командой SpeechBrain и обученная на наборе WHAM! для аудио с частотой дискретизации 16 кГц. Она принимает зашумлённую речь и выдаёт очищенный аудиосигнал, помогая улучшать разборчивость записей с шумом и реверберацией. В тестах на WHAM! карточка сообщает SI-SNR 14,3 дБ; в таблице результатов для выпуска от 30 июня 2022 года приведены SI-SNR 13,8 дБ и PESQ 2,20.

Модель реализована на PyTorch с архитектурой SepFormer, основанной на трансформерах. Обучающий набор WHAM! основан на WSJ0-Mix и включает шум окружающей среды и реверберацию; в описании набора указана исходная частота 8 кГц. Модель рассчитана на задачи улучшения англоязычной речи. Лицензия репозитория — Apache-2.0.

Результаты на других наборах данных не гарантируются: качество обработки может отличаться от показателей на WHAM!.

Сценарии применения

  • шумоподавление в англоязычных речевых записях
  • улучшение разборчивости речи при фоновом шуме
  • очистка записей с шумом окружающей среды и реверберацией

Ограничения

Команда SpeechBrain не гарантирует сохранение заявленного качества на данных, отличающихся от тестового набора WHAM!.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SepFormer trained on WHAM! for speech enhancement (16k sampling frequency)

This repository provides all the necessary tools to perform speech enhancement (denoising) with a SepFormer model, implemented with SpeechBrain, and pretrained on WHAM! dataset with 16k sampling frequency, which is basically a version of WSJ0-Mix dataset with environmental noise and reverberation in 8k. For a better experience we encourage you to learn more about SpeechBrain. The given model performance is 14.3 dB SI-SNR on the test set of WHAM! dataset.

ReleaseTest-Set SI-SNRTest-Set PESQ
06-30-2213.82.20

Install SpeechBrain

First of all, please install SpeechBrain with the following command:

pip install speechbrain

Please notice that we encourage you to read our tutorials and learn more about SpeechBrain.

Perform speech enhancement on your own audio file

from speechbrain.pretrained import SepformerSeparation as separator
import torchaudio

model = separator.from_hparams(source="speechbrain/sepformer-wham16k-enhancement", savedir='pretrained_models/sepformer-wham16k-enhancement')

# for custom file, change path
est_sources = model.separate_file(path='speechbrain/sepformer-wham16k-enhancement/example_wham16k.wav') 

torchaudio.save("enhanced_wham16k.wav", est_sources[:, :, 0].detach().cpu(), 16000)

Inference on GPU

To perform inference on the GPU, add run_opts={"device":"cuda"} when calling the from_hparams method.

Training

The training script is currently being worked on an ongoing pull-request.

We will update the model card as soon as the PR is merged.

You can find our training results (models, logs, etc) here.

Limitations

The SpeechBrain team does not provide any warranty on the performance achieved by this model when used on other datasets.

Referencing SpeechBrain

@misc{speechbrain,
  title={{SpeechBrain}: A General-Purpose Speech Toolkit},
  author={Mirco Ravanelli and Titouan Parcollet and Peter Plantinga and Aku Rouhe and Samuele Cornell and Loren Lugosch and Cem Subakan and Nauman Dawalatabad and Abdelwahab Heba and Jianyuan Zhong and Ju-Chieh Chou and Sung-Lin Yeh and Szu-Wei Fu and Chien-Feng Liao and Elena Rastorgueva and François Grondin and William Aris and Hwidong Na and Yan Gao and Renato De Mori and Yoshua Bengio},
  year={2021},
  eprint={2106.04624},
  archivePrefix={arXiv},
  primaryClass={eess.AS},
  note={arXiv:2106.04624}
}

Referencing SepFormer

@inproceedings{subakan2021attention,
      title={Attention is All You Need in Speech Separation}, 
      author={Cem Subakan and Mirco Ravanelli and Samuele Cornell and Mirko Bronzi and Jianyuan Zhong},
      year={2021},
      booktitle={ICASSP 2021}
}

@article{subakan2023exploring,
  author={Subakan, Cem and Ravanelli, Mirco and Cornell, Samuele and Grondin, François and Bronzi, Mirko},
  journal={IEEE/ACM Transactions on Audio, Speech, and Language Processing}, 
  title={Exploring Self-Attention Mechanisms for Speech Separation}, 
  year={2023},
  volume={31},
  pages={2169-2180},
}

About SpeechBrain

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели SpeechBrain требуют отдельного рантайма.

Ревизия весов
90b3c5c

0 моделей